直方图匹配（Histogram Matching）

直方图匹配（Histogram Matching），也被称为直方图规定化（Histogram Specification）或直方图修正（Histogram Equalization），是一种图像处理技术，用于调整图像的直方图，以使其与某个目标直方图相匹配。目标直方图通常是用户定义的或者是希望获得的期望分布。

直方图匹配的目标是改变图像的像素值分布，从而使其在视觉上更接近目标直方图。这对于图像增强、风格迁移、图像匹配等任务非常有用。

以下是直方图匹配的一般步骤：

1. 计算原始图像和目标直方图的累积分布函数（CDF）：首先，计算原始图像和目标直方图的累积分布函数，以获得其累积分布。

2. 将原始图像的像素值映射到目标直方图的像素值：根据累积分布函数的关系，将原始图像的像素值映射到目标直方图的像素值。这个映射过程是直方图匹配的关键步骤。

3. 应用映射函数到整个图像：对原始图像的所有像素应用映射函数，得到匹配后的图像。

下面是一个用 Python 和 OpenCV 库实现直方图匹配的简单示例代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取源图像和目标图像
source_img = cv2.imread(r'D:\pythonProject\data\COCO_train2014_000000000025.jpg', cv2.IMREAD_GRAYSCALE)
target_img = cv2.imread(r'D:\pythonProject\data\jackson-pollock_number-8-1949.jpg', cv2.IMREAD_GRAYSCALE)

# 计算源图像和目标图像的直方图
source_hist, bins1 = np.histogram(source_img, bins=256, range=[0, 256])
target_hist, bins2 = np.histogram(target_img, bins=256, range=[0, 256])

# 计算累积直方图
source_cdf = source_hist.cumsum()
source_cdf = (source_cdf / source_cdf[-1]).astype(np.float32)

target_cdf = target_hist.cumsum()

target_cdf = (target_cdf / target_cdf[-1]).astype(np.float32)

# 使用累积直方图进行直方图匹配
matched_cdf = np.interp(source_cdf, target_cdf, range(256)).astype(np.uint8)
matched_img = matched_cdf[source_img]

# 将灰度图像转换为伪彩色图像
# pseudo_color_img = cv2.applyColorMap(matched_img, cv2.COLORMAP_JET)
# matched_rgb = cv2.cvtColor(matched_img, cv2.COLOR_GRAY2RGB)
# 显示图像和直方图
plt.subplot(2, 2, 1)
plt.imshow(source_img, cmap='gray')
plt.title('Source Image')

plt.subplot(2, 2, 2)
plt.imshow(target_img, cmap='gray')
plt.title('Target Image')

plt.subplot(2, 2, 3)
plt.imshow(matched_img)
plt.title('Matched Image')

plt.subplot(2, 2, 4)
plt.plot(source_cdf, color='r', label='Source CDF')
plt.plot(target_cdf, color='b', label='Target CDF')
plt.legend()
plt.title('CDFs')

plt.tight_layout()
plt.show()

# plt.imshow(target_hist)
# plt.show()
# plt.subplot(2, 2, 1)
# plt.bar(bins1[:-1], source_hist, width=1, color='blue', edgecolor='black')
# plt.xlabel('Pixel Value')
# plt.ylabel('Frequency')
# plt.title('Histogram')
# plt.subplot(2, 2, 2)
# plt.bar(bins2[:-1], target_hist, width=1, color='blue', edgecolor='black')
# plt.xlabel('Pixel Value')
# plt.ylabel('Frequency')
# plt.title('Histogram')
# plt.show()

请注意，上述代码是一个简单的示例，只涵盖了基本的直方图匹配过程。实际应用中，您可能需要对图像进行更多的预处理和调整，以获得更好的匹配效果。同时，您可以使用更复杂的方法和工具，如直方图均衡化、自适应直方图均衡化等，来改进图像的亮度和对比度调整效果。

运行结果：